05 · 事件驱动回测：RSI 策略与资金曲线

本地量化系列教程 · 第五篇。配套笔记本：RSI策略.ipynb；数据：stock_data/000063_中兴通讯.csv（本地日线，与原笔记本的 tushare 接口数据同源同列）。

前两篇的向量化回测快而优雅，但它把"仓位"当成一个抽象数字——没有账户、没有现金、没有"钱不够买不起一手"这种现实摩擦。这一篇换一种范式：事件驱动回测。写一个逐日循环，维护现金和持股两个状态变量，像实盘一样一根一根 K 线地推演。用 RSI 超买超卖策略作为载体。

1. RSI 指标

1.1 定义

RSI（Relative Strength Index，相对强弱指数）衡量一段时间内上涨力量占总波动的比例：

$$ RSI(N) = \frac{A}{A + B} \times 100 $$

其中 A 为 N 日内收盘涨幅之和，B 为 N 日内收盘跌幅之和的绝对值。RSI ∈ [0, 100]：数值大说明最近涨的日子贡献占比高，市场偏"超买"；数值小说明跌的日子占主导，偏"超卖"。

1.2 Wilder 平滑

原论文（Wilder, 1978）用的是指数式平滑而非简单平均，等价于 alpha = 1/N 的 EWM：

def wilder_rsi(close, period=6):
    delta = close.diff()
    gain = delta.clip(lower=0)          # 涨幅，跌日为 0
    loss = -delta.clip(upper=0)         # 跌幅，涨日为 0
    avg_gain = gain.ewm(alpha=1/period, min_periods=period, adjust=False).mean()
    avg_loss = loss.ewm(alpha=1/period, min_periods=period, adjust=False).mean()
    return 100 - 100 / (1 + avg_gain / avg_loss)

别用简单平均版本的 RSI 与行情软件对照——大多数软件（同花顺、通达信、TradingView）都用 Wilder 平滑，算法不同数值会差出好几个点，然后你会浪费一晚上怀疑人生。

本篇参数 period=6（原笔记本的选择），短周期 RSI 灵敏、信号多，适合演示；实盘更常用 14。

1.3 交易规则

原笔记本在迭代中把规则从"RSI>80 卖"调整为：

• RSI < 25 → 做多（超卖博反弹）
• RSI > 50 → 清仓（回归中性即离场）
• 其余时间维持现状

这是一个不对称规则：入场赌"超卖后修复"，出场不赌顶部、只赌修复完成。超卖博反弹本质上是短线均值回归，在 A 股只能做多，所以出场条件天然弱于入场条件。

2. 事件驱动回测引擎

2.1 状态机

账户只有两个状态变量：capital（现金）和 shares（股数）。逐日循环：

initial_capital, cost = 10000, 0.001   # 1 万元本金，单边 0.1% 成本

r['position'] = np.nan
r.loc[r['rsi'] < 25, 'position'] = 1
r.loc[r['rsi'] > 50, 'position'] = -1
r['position'] = r['position'].ffill()

capital, shares = initial_capital, 0
curve, buys, sells = [], [], []

for idx, row in r.iterrows():
    p = row['close']
    if row['position'] == 1 and shares == 0 and capital >= p * (1 + cost):
        n = int(capital / (p * (1 + cost)))       # 全仓买入
        capital -= n * p * (1 + cost)
        shares += n
        buys.append(idx)
    elif row['position'] == -1 and shares > 0:
        capital += shares * p * (1 - cost)        # 全仓卖出
        shares = 0
        sells.append(idx)
    curve.append(capital + shares * p)            # 每日盯市净值

和向量化版的四个本质区别：

1. 有账户：现金与持仓分开记账，capital + shares * p 才是总资产，每天盯市；
2. 有约束：capital >= p * (1+cost) 检查买不买得起；int() 取整意味着零股不买——这些"土约束"恰是实盘的真实形状；
3. 有成本：买卖各扣 0.1%——6 日 RSI 信号频繁，成本在这个周期上必然重要；
4. 有仓位判断：shares == 0 才买、shares > 0 才卖，不会重复开仓。

2.2 交易记录

把每次买入/卖出的日期和当时净值记进 buys / sells，就能配对计算胜率——这是向量化框架里拿不到的 granular 信息：

wins = sum(1 for b, s in zip(buys, sells) if equity[b] < equity[s])
win_rate = wins / len(sells)

3. 回测结果

3.1 交易点位

上图为价格与买卖点（红▲买、绿▼卖），下图为 RSI(6) 与两条阈值线。可以看到信号的典型形态：RSI 探到 25 以下（价格急跌）后不久出现买点，RSI 修复穿过 50 后卖点跟进。2022-2023 年的阴跌段买点非常密集——超卖会连续触发，策略在下跌途中反复接飞刀、反复小亏，直到趋势反转才拿住一波大的。

3.2 资金曲线

实际数字（1 万元本金，2020-01 ~ 2025-07，中兴通讯）：

3.3 读懂数字：高胜率 ≠ 好策略

胜率 71.9% 看起来漂亮，但要配合另外两个数一起读：

• 单笔盈亏比：32 笔里 23 笔赚，但总收益才 +52%。算一下可知平均每笔盈利单赚 ~3-4%，而亏损单（接飞刀失败的那种）单笔亏损更深——典型的"高胜率、低盈亏比"形态。胜率与盈亏比存在天然权衡：赚小钱多次、亏大钱少次的策略，胜率好看但一次尾部亏损可能抹掉半年利润。
• 回撤 -20% 对 8% 年化来说不便宜：收益/回撤比（Calmar 类指标）只有 0.4 左右。
• 32 笔样本太小。统计上 32 笔的胜率置信区间宽得能开卡车（±16pp 以上），换一年数据重跑，胜率可能掉到 50%。小样本结论只能当线索，不能当证据。

4. 两种回测范式怎么选

工程实践的标准流程是两段式：先向量化扫参数（快），把候选参数放进事件驱动引擎复核（真）。两者结果对不上时，一般是三个地方出了鬼：信号对齐（shift）、成本口径、成交假设（能否按收盘价成交）。

5. 改进方向

原笔记本已经列了框架的改进清单，按优先级展开：

1. 成交价假设：本引擎按当天收盘价成交，但 RSI 是收盘后才算出来的——严格说应按次日开盘价成交，这是比 shift(1) 更诚实的时间对齐；
2. 止损：接飞刀策略必须配止损（如单笔 -5% 强制离场），能把"低盈亏比"的亏损单尾剪短；
3. 参数稳健性：阈值 (25, 50) 与周期 6 同样需要网格 + 邻域平滑检验；
4. 多标的验证：第六篇会把这套逻辑批量跑到 5000+ 只股票上。

6. 小结与练习

• 事件驱动回测 = 状态机（现金+持仓）+ 逐日循环 + 盯市净值，牺牲速度换真实；
• RSI 超卖买入/中性卖出的本质是短线均值回归，A 股语境下只能做多；
• 胜率必须和盈亏比、回撤一起读，单独的高胜率毫无意义；
• Wilder 平滑是 RSI 的标准算法，与软件对照时先统一口径；
• 成交价假设（收盘 vs 次日开盘）是最容易被忽视的系统性偏差。

练习：

1. （基础）把买入阈值从 25 改成 20/30，统计三种设置下的交易笔数、胜率、总收益；
2. （进阶）加入止损：持仓期间单日跌幅超 5% 或持仓亏损超 8% 强制清仓，对比最大回撤的变化；
3. （进阶）把成交价改成次日开盘价（提示：循环里用 r['open'].shift(-1) 或直接读下一行的开盘价），重算绩效；
4. （挑战）用同样的状态机实现 02 篇的双均线策略，验证向量化结果与事件驱动结果能否对齐（这同时是对两套代码的正确性交叉验证）。

上一篇：04 · 动量效应 · 下一篇：06 · 绩效评价与批量回测：从单票到全市场